基于图像的卷积聚类与复合评估的运营模式发现：面向铸造过程的案例研究
机器学习
2025-11-18 v1 人工智能
摘要
工业过程监控日益依赖传感器生成的时间序列数据，但缺乏标签、高度变异以及操作噪声使得从传统方法中提取有意义的模式具有挑战。现有聚类技术要么依赖固定距离度量，要么针对静态数据设计的深度模型，限制了其处理动态、非结构化工业序列的能力。为克服这一鸿沟，本文提出了一种基于图像的卷积聚类和复合内部评估的无监督工业操作模式发现框架，用于处理单变量时间序列数据。该框架在三方面改进了现有方法：(1) 将原始时间序列转换为通过重叠滑动窗口生成的灰度矩阵表示，使深度卷积自编码器能够有效提取特征；(2) 框架集成了软聚类和硬聚类输出，并通过两阶段策略进行选择；(3) 通过新开发的复合得分 对聚类性能进行客观评估，该得分结合了归一化 Silhouette 指数、Calinski-Harabasz 指数和 Davies-Bouldin 指数。应用于北欧某铸造厂超过 3900 例熔炼操作，方法识别出七种可解释的运营模式，揭示了能源消耗、热力学特性和生产持续时间之间的显著差异。与经典和深度聚类基线相比，该方法实现了卓越的整体性能、更好的鲁棒性以及与领域相符的可解释性。该框架解决了无监督时间序列分析中的关键挑战，如序列不规则性、模式重叠和度量不一致性，为工业系统的数据驱动诊断和能源优化提供了通用解决方案。
引用
@article{arxiv.2511.13444,
title = {Discovering Operational Patterns Using Image-Based Convolutional Clustering and Composite Evaluation: A Case Study in Foundry Melting Processes},
author = {Zhipeng Ma and Bo Nørregaard Jørgensen and Zheng Grace Ma},
journal= {arXiv preprint arXiv:2511.13444},
year = {2025}
}